EXAONE Path 2.5：多组学对齐的病理基础模型
机器学习
2025-12-17 v1 定量方法
摘要
癌症进展源于跨多个生物层面的相互作用，尤其是超出形态学特征并跨越分子层面的相互作用，对图像唯一模型而言是不可见的。为捕获更广泛的生物学景观，我们提出了 EXAONE Path 2.5，这是一个能够联合建模组织学、基因组、表观基因组和转录组多模态的病理基础模型，生成能够更全面反映肿瘤生物学的整合患者表征。我们的方法包含三个关键组件：（1）多模态 SigLIP loss，实现跨异构模态的全两两对比学习；（2）片段感知旋转位置编码（F-RoPE）模块，保留 WSI 中的空间结构和组织片段拓扑；（3）针对 WSI 和 RNA-seq 的领域专用内部基础模型，为稳健的多模态对齐提供生物学依据的嵌入。我们在内部真实世界临床数据集和覆盖80项任务的 Patho-Bench 基准测试中，对 EXAONE Path 2.5 与六大领先病理基础模型进行评估。我们的框架在数据和参数效率方面表现出色，在 Patho-Bench 上实现与最先进基础模型持平的性能，同时在内部临床环境中 exhibits 最高的适应性。这些结果凸显了生物学信息驱动的多模态设计的价值，强调了从基因型到表型建模在下一代精准肿瘤学中的潜力。
引用
@article{arxiv.2512.14019,
title = {EXAONE Path 2.5: Pathology Foundation Model with Multi-Omics Alignment},
author = {Juseung Yun and Sunwoo Yu and Sumin Ha and Jonghyun Kim and Janghyeon Lee and Jongseong Jang and Soonyoung Lee},
journal= {arXiv preprint arXiv:2512.14019},
year = {2025}
}